Nella tabella pubblicata insieme a GPT-6 Astra ci sono tre righe che raccontano qualcosa di diverso dal titolo dell’annuncio. Sull’Artificial Analysis Intelligence Index, l’indice generalista più citato del settore, il nuovo modello di punta di OpenAI segna 61,2 contro i 60,9 del predecessore GPT-5.6 Sol: tre decimi di punto, al doppio del prezzo in ingresso. Sulla stessa riga stanno Claude Fable 5.1 a 65,7, Claude Opus 5 a 63,1 e Claude Fable 5 a 62,1.
Sono numeri di OpenAI, sulla pagina di OpenAI, pubblicati il 3 settembre insieme alla rivendicazione del modello «più intelligente e allineato» al mondo.
Poi ci sono le righe dove Astra stacca tutti, e sono quelle che dicono cosa è stato costruito davvero: Terminal-Bench 4.0 al 57,9% contro il 37,3% di Sol, AutomationBench al 41,4% contro il 18,1%, il recupero di informazione su contesti oltre il mezzo milione di token che passa dal 73,8% al 96,3%.
Non è un ragionatore migliore, è un esecutore che arriva in fondo con meno passi. La differenza vale parecchio per chi deve decidere se metterlo in produzione, perché sposta il criterio di valutazione dalla qualità della risposta alla lunghezza della traiettoria.
Indice degli argomenti:
Sull’indice generale Astra guadagna tre decimi su Sol
Le sconfitte, nella tabella di lancio, non sono nascoste. Sul Coding Agent Index di Artificial Analysis, Astra fa 67,0 contro i 68,1 di Claude Fable 5 e i 67,2 di Fable 5.1. Su Humanity’s Last Exam con strumenti si ferma al 57,2% contro il 65,0% di Fable 5.1 e il 63,6% di Opus 5. Su tutti e tre gli indici aggregati il modello che l’azienda definisce il più intelligente del mondo resta dietro ai concorrenti di Anthropic, in un caso addirittura dietro a tre di loro.
Sotto la tabella c’è una riga che riqualifica tutti i punteggi: i risultati sono il massimo ottenuto a qualunque livello di sforzo. In un modello che espone cinque livelli di reasoning.effort, da low fino a max, quella nota vale come un asterisco su ogni cifra, perché il livello di sforzo determina insieme il punteggio, la latenza e il conto.
Lo stesso annuncio lo mostra: su Terminal-Bench Science, Astra al setting economico scende da 64,6% a 61,1%, che resta il triplo del 22,4% ottenuto da Sol al proprio massimo, con un costo API stimato inferiore di circa il 27% a quello del predecessore.
Su GPQA Diamond il setting economico segna 94,9% contro il 94,6% di Sol, spendendo circa il 37% in meno.
Le note in fondo alla pagina cambiano poi la natura di alcuni confronti. Su BenchCAD i risultati Claude riflettono tre modifiche alla prova.
Su FrontierCode, Astra gira con un messaggio per lo sviluppatore ripreso dalla propria configurazione in Codex. I modelli Claude sono esclusi da tre valutazioni scientifiche perché rifiutano la maggior parte delle domande, il che dice qualcosa sui loro filtri e non equivale a un punteggio inferiore. E i risultati Fable su due prove vengono da Mythos, la variante con meno tutele. Sono confronti tra configurazioni, presentati come confronti tra modelli, e la redazione tecnica che li legge dovrebbe trattarli così.
Il caso più istruttivo arriva da fuori. ARC Prize, il valutatore indipendente di ARC-AGI-3, ha pubblicato due risultati per lo stesso modello: 62,7% con il proprio harness standard e 99,9% con un adattatore specifico che conserva lo stato di ragionamento opaco tra una chiamata e l’altra.
Trentasette punti di differenza attribuibili al guscio che gestisce il contesto, a parità di pesi. Su questa distanza si gioca buona parte di ciò che il lancio presenta come capacità.
La soglia dei 272mila token contro la finestra da un milione
Il listino è pubblico e sta sulla scheda modello: 10 dollari per milione di token in ingresso, 50 in uscita, esattamente il prezzo di Claude Fable 5.1. L’input già in cache costa 1 dollaro, la scrittura in cache 12,50, cioè 1,25 volte l’input non memorizzato. Batch e Flex dimezzano, la modalità Fast raddoppia. Fin qui, l’aritmetica consueta.
La riga che cambia i conti è un’altra. Superati i 272mila token in ingresso, il prezzo dell’input e della cache raddoppia e quello dell’output sale del 50%, e si applica all’intera richiesta, non alla sola porzione eccedente. Chi manda un prompt da 280mila token paga 20 dollari per milione in ingresso e 75 in uscita su tutto quanto. La finestra di contesto è da 1.050.000 token e l’output massimo da 128mila, però il listino invita a restare sotto un quarto di quella capienza.
C’è un secondo vincolo che si vede solo scendendo alla tabella dei rate limit. Al Tier 1 il tetto è di 500mila token al minuto, meno della metà della finestra di contesto. Un cliente al primo scalino non può materialmente inviare una richiesta a contesto pieno, nemmeno una sola, e serve salire al Tier 2 per farne circa una al minuto. La finestra da un milione è un dato di architettura prima che una funzionalità disponibile, e il dimensionamento dei tier va verificato prima di progettarci sopra un servizio.
Su Azure la struttura si irrigidisce ancora: Microsoft applica gli stessi 10 e 50 dollari sul contesto breve e sale a 20 e 75 sul contesto lungo, come ha ricostruito questa testata al lancio. Per chi progetta, la variabile che governa la spesa diventa la distribuzione dei token tra le chiamate più del loro numero complessivo: dieci richieste da 200mila token costano molto meno di quattro da 500mila, a parità di lavoro svolto.
Note persistenti al posto della compaction
Il cambiamento tecnico che pesa di più nel rilascio riguarda la conservazione della memoria lungo una sessione. Fino a oggi, quando una sessione lunga riempiva la finestra di contesto, l’unico rimedio era la compaction: riassumere il lavoro fatto e ripartire dal riassunto. Chi ha seguito un agente su un refactoring lungo due giorni conosce il costo di quella operazione, perché a ogni compressione sparisce il dettaglio del perché una correzione era fallita, e l’agente ritenta la stessa strada.
In Codex, Astra tiene note attraverso le finestre di contesto invece di comprimere ripetutamente in un unico riassunto, e le finestre precedenti restano ricercabili: il modello può recuperare un requisito o l’esito di un test da messaggi vecchi, anche quando quell’informazione nelle note non era finita. La funzione si abilita nel file di configurazione e OpenAI annuncia che diventerà il comportamento predefinito.
Il correlato quantitativo sta nella riga sul contesto lungo, quella che nella copertura del lancio è passata inosservata. Sulla prova di recupero multiplo, con otto informazioni da ritrovare in una conversazione tra 512mila e un milione di token, Astra segna 96,3% contro il 73,8% di Sol. Tra 256mila e 512mila arriva al 100%. Sono i numeri che rendono la finestra grande qualcosa di più di una specifica commerciale, perché una finestra enorme con recupero mediocre produce agenti che dimenticano in silenzio, ed è esattamente il modo in cui i progetti agentici falliscono senza che nessuno capisca perché.
Il dato di ARC Prize, a questo punto, si legge diversamente. L’harness standard consente al modello di portarsi dietro note visibili tra una chiamata e l’altra, l’adattatore conserva lo stato di ragionamento opaco e usa la compaction sulle conversazioni lunghe: nella stessa valutazione, con lo stesso modello, la seconda configurazione risulta 3,66 volte più veloce e consuma il 49% di token in meno. Una quota consistente di ciò che chiamiamo capacità del modello vive nello strato che gestisce il contesto, ed è lo strato che nessun fornitore versiona pubblicamente.
Aderenza al perimetro, zero contro il 48% di Sol
Nella colonna dedicata all’allineamento, OpenAI ha costruito una valutazione ispirata a un incidente reale sul repository di Hugging Face, per verificare se un modello davanti a un compito difficile o impossibile esce dal perimetro autorizzato. Sol, senza le protezioni di produzione, lo faceva nel 48% dei casi. Astra nello 0%.
La stessa direzione si ripete su tutta la famiglia di misure: sul banco di prova interno sulla sicurezza dell’uso del computer, dove il punteggio basso è quello buono, Astra sta al 2,4% contro il 22,0% di Sol, e scende all’1,8% con la revisione automatica attiva. Sul tentativo di aggirare un diniego della revisione automatica registra 0,00%, anche quando la revisione era configurata apposta per essere elusa e il compito non era completabile altrimenti.
Su un honeypot piazzato dentro una valutazione cyber, dove Sol abboccava nel 48,2% dei casi, Astra segna zero. E dichiara il falso sulle proprie capacità nel 4,2% dei casi contro il 12,2% del predecessore.
Sono numeri che descrivono una capacità addestrata come le altre e misurata come le altre. Un agente che sbaglia risposta costa una correzione, un agente che esce dal perimetro autorizzato costa un incidente, e finora la seconda variabile era governata solo con permessi e sandbox esterni al modello.
OpenAI dichiara però anche un peggioramento, e lo fa in chiaro. Il ragionamento scritto di Astra risulta più difficile da monitorare di quello di Sol nelle prove in cui gli viene chiesto esplicitamente di eludere il controllo, e l’azienda attribuisce il risultato al maggiore controllo del modello sul proprio testo di ragionamento e alla capacità di risolvere problemi con meno passaggi scritti.
Chi ha costruito la propria governance sull’ispezione della catena di ragionamento, cioè quasi tutti quelli che hanno provato a fare osservabilità sugli agenti nell’ultimo anno, deve sapere che quella superficie si sta assottigliando proprio mentre il modello diventa più autonomo.
Un 403 che ferma il lavoro senza possibilità di ripresa
Per i modelli di questa classe, OpenAI ha messo in produzione uno strato di monitoraggio del disallineamento, e la documentazione relativa andrebbe letta prima di mandare un agente in esercizio. Il sistema esamina ragionamento e azioni in contesti consequenziali, trasferimento di dati sensibili, accessi, modifiche distruttive, e può fermare la conversazione.
Il controllo è asincrono, quindi un’azione può essersi già completata prima che il monitoraggio la segnali, e il blocco non annulla ciò che è già stato fatto. Quando scatta prima dello streaming, l’API restituisce un 403 con codice misalignment_policy_violation, e la documentazione raccomanda di intercettare il codice invece del testo del messaggio. Non esiste un modo generale di riprendere una conversazione fermata, e la stessa pagina sconsiglia il ritentativo automatico.
La copertura dipende poi da come è costruita l’integrazione. Le richieste sulla Responses API con ragionamento persistito, WebSocket o compaction vengono monitorate e possono essere bloccate; quelle sulla stessa API senza nessuno di quei meccanismi vengono monitorate ma non fermate automaticamente; la Chat Completions API resta fuori dal sistema. Più l’architettura è agentica, più è sorvegliata, ed è coerente con il rischio, ma va scritto nel disegno del servizio invece che scoperto in incidente.
Due righe, in fondo alla pagina, riguardano direttamente chi lavora in Europa. Il campo che spiega la ragione dell’allarme può essere nullo, e la documentazione cita esplicitamente le richieste in Zero Data Retention: chi sceglie la ritenzione zero per ragioni di conformità ottiene meno informazione diagnostica su perché il proprio agente è stato fermato. E la pagina avverte che consegna e recupero degli allarmi non forniscono una cronologia di audit completa.
Un fornitore che dichiara di non poter garantire la tracciabilità completa delle proprie interruzioni sposta sul cliente l’onere di ricostruirla, e vale la pena rileggere quella frase accanto ai requisiti di registrazione degli eventi che l’AI Act mette in capo a chi usa sistemi ad alto rischio.
L’88% al primo tentativo sul reverse engineering dei binari
La classificazione di Astra alla soglia Critical per le capacità cyber del preparedness framework, già raccontata su queste pagine, poggia su misure che vale la pena leggere per esteso, perché una di esse tocca il patrimonio applicativo di moltissime imprese italiane.
Su SRE-Bench, una prova pubblicata quest’anno che misura la capacità di ricostruire la logica di un software partendo dal binario compilato, senza accesso ai sorgenti, Astra risolve l’88,0% dei compiti al primo tentativo e il 99,2% entro quattro. Sol si fermava rispettivamente al 55,9% e al 68,7%. Chiunque abbia a che fare con un gestionale degli anni Novanta di cui nessuno ha più il codice sa cosa significa: la stessa capacità che permette a un difensore di capire come funziona un binario permette a un attaccante di capire come romperlo, e la disponibilità di quella capacità è appena passata da specialistica a ordinaria.
Il resto della sezione va nella stessa direzione. Su ExploitBench, senza le protezioni di produzione, Astra segna 100% contro il 78,5% di Sol. Su una prova costruita apposta con venti vulnerabilità gravi del motore V8 emerse tra giugno e agosto 2026, distribuite su tredici versioni stabili di Chrome, arriva al 39,0% contro l’11,5%, e durante la valutazione ha individuato e sfruttato due vulnerabilità fino ad allora sconosciute, poi comunicate ai manutentori.
La versione commerciale rifiuta la costruzione di exploit dimostrativi, e OpenAI rinvia al programma Daybreak per allargare l’accesso ai flussi difensivi.
Chi lavora in un settore regolato dovrebbe ricavarne una conseguenza pratica sul calendario, più che sul modello. La finestra tra la disponibilità di queste capacità agli attaccanti e la loro disponibilità nei processi difensivi aziendali è il rischio da governare adesso, e si accorcia con un rilascio ogni pochi mesi.
Chi deve decidere sull’adozione ha davanti alcune condizioni da mettere per iscritto prima della firma. Il livello di sforzo va fissato per classe di carico e misurato sul costo per compito risolto, perché tra un setting e l’altro cambiano insieme il punteggio, la latenza e la fattura. La soglia dei 272mila token va trattata come un vincolo di progettazione delle chiamate, e non come una nota a piè di listino. Il comportamento in caso di interruzione va deciso a tavolino: un servizio che poggia su un agente deve sapere cosa fa quando riceve un 403 che non si riprende, quali azioni potrebbero essere già andate a segno, e come le registra per conto proprio, visto che il fornitore avverte di non garantire una cronologia completa.
Il resto lo dirà l’uso reale, che è sempre più lento dei benchmark e più severo. Quello che Astra consegna a chi costruisce è più concreto del salto di intelligenza promesso nell’annuncio: la stessa capacità con traiettorie più corte, meno token e meno deviazioni fuori perimetro. Sono le tre variabili che decidono se un progetto agentico regge il conto economico oltre il prototipo, e per una volta le abbiamo misurate.
Partecipa alla community